[논문 요약47] OverFeat: Integrated Recognition, Localization and Detection using Convolutional Networks

[업데이트 2019.03.08 15:1] 

47번째 요약할 논문은 "OverFeat: Integrated Recognition, Localization and Detection using Convolutional Networks" (https://arxiv.org/pdf/1312.6229) 입니다.

Overfeat은 고해상도 이미지로부터 만들어진 fully connected layer를 1x1 convolutional layer로 변환함으로써 이미지 인식 CNN을 "sliding window" detector로 형태로 만듭니다. 변환 이후 그리드 형태의 최종 특징 벡터가 생성됩니다. OverFeat의 경우 R-CNN과 다르게 One Stage Detector로 R-CNN처럼 Object Proposal을 생성하지 않고, single forward pass 방식으로 CNN 모델을 학습후, Multi-scale evaluation을 통해 사물을 검출합니다.

OverFeat의 경우 Object Detection에 초점을 맞춘 딥러닝 모델로 multi-task loss를 정의하며(분류 및 경계상자 loss를 동시에 최소화), 네트워크 모델에 보통 사용되는 FC(Fully Connected) 레이어를 1x1 Convolution으로 개념을 바꿔 생각함으로써, 입력되는 이미지 사이즈에 관계없이 CNN을 수행 할 수 있게 됩니다. 아래의 이미지에서 볼 수 있듯이 FC 레이어를 1x1 Convolution으로 바꾸게 되면, 입력 사이즈가 변경 되더라도 Convolution을 수행할 수 있게됩니다. 

아래와 같이 입력 이미지의 스케일을 다르게 하여(0.5, 1, 2, 4) 추론을 하게 되며, Voting 방식으로 경계상자와 분류를 최종적으로 수행하게 됩니다. 스케일에 따라 검출된 오브젝트가 사라지거나 다시 검출될 수 있수도 있습니다. 이렇게 다른 스케일의 입력 이미지에 대해 추론이 가능한 것은 위에서 이야기한 1x1 Convolution을 적용하였기 때문입니다.

Voting 방식은 다음과 같은 알고리즘으로 구성되며, 최종 경계상자와 분류를 수행하게 됩니다.

아래의 테이블3은 OverFeat 네트워크 모델 Accurate 버전입니다.

* 참고

[1] http://vision.stanford.edu/teaching/cs231b_spring1415/slides/overfeat_eric.pdf

[2] https://medium.com/@ManishChablani/overfeat-paper-summary-b55060eeb991

[3] http://dhhwang89.tistory.com/135

[4] https://laonple.blog.me/220752877630